基于卷积神经网络的车型识别系统的设计与实现
这是一篇关于车型识别,细分类,深度学习,卷积神经网络的论文, 主要内容为伴随着社会的不断发展和经济条件的不断上升,机动车保有量逐年递增。智能交通系统中的对于车辆信息处理的主要功能是对过往车辆的准确检测和正确的车辆信息的识别。在车辆信息识别中,对车辆特征和其外形的识别技术主要有种：车辆自动识别(Vehicle Identification)和车辆自动分类(Vehicle Classification) 。面对如此海量动态交通流数据,如何高效的采集,传输,快速分析,以便公安机关高效管理治安局势,是一个非常大的挑战。传统的车型识别工具处理效率缓慢,对已知车型识别大多数仅限于大、中、小类别,对于细分类(例如车辆的品牌及型号)不能满足要求,且对新入市的车型更新很慢,已经无法满足大数据常态下高准确率高效率的分析需求。在大数据背景下,如何将高质、高效的新技术应用到交通数据的处理中是值得研究和思考的问题,我们的车型识别系统正是基于这种背景问题下进行设计和开发的。在研究相关问题的过程中,我们发现,深度学习相关理论和技术在解决上述问题时可以发挥很大的作用并且一些相关科研结果也为我们提供了良好的解决思路。我们将深度学习中适用于图像处理和分类的理论模型引入到大规模数据处理中来,使用“卷积神经网络”这一种成熟的深度学习理论来构造网络结构模型,使用Caffe卷积计算框架进行交通数据的处理,并利用现有的分布式消息队列来对分析结果实时的推送至前端界面进行展示。最后,我们成功设计并实现了从海量交通数据采集到处理、分析结果然后完成展示的完整流程。系统的成功设计与实现解决了上述主要问题对大数据背景下交通数据管理的困扰之处。解决了道路卡口在没有配合最新硬件设施情况下依然可以获取车辆完整了立体数据信息的问题。加大加快了数据处理的规模和速度,提高了获取数据的准确度。为实现交通信息管理数字化起到了关键作用。在软件工程方面,系统基于成熟的MVC结构,使用Spring MVC作为Web系统开发的基础框架业务信息使用关系型数据库MYSQL进行存储。整个项目阶段,根据用户的需求对系统进行了需求分析,概要设计,模块详细设计,并在开发完成后进行了全面的测试,保证了系统的稳定性。
复杂背景下细粒度车型识别技术研究
这是一篇关于残差网络,注意力机制,YOLOv4,编码器,车型识别的论文, 主要内容为车型识别技术是智能交通系统的关键部分。当前,一些车型识别技术的成果已经运用到了现实交通场景,这些研究成果减少了车辆管理成本并提高了交通执法效率。然而,目前大部分的车型识别技术只可以完成大卡车、小轿车、SUV等较少类别的粗粒度识别,这些大类别数据无法提供更有效的信息。此外,恶劣天气、黑夜场景、树木及不同车辆遮挡等复杂背景都会增加车辆特征提取的难度,进而影响车型识别的准确度和适应性。针对上述问题,本文基于深度学习网络模型探索了复杂背景下细粒度级别车型识别技术,主要工作归纳如下:1.基于Res Net网络、注意力机制以及编码器模块构建了一种新的细粒度车型识别模型。Res Net网络用CNN建模具有很好的归纳偏置,但其相对于注意力机制而言,长序列建模能力较弱。为了加强残差网络的特征提取能力,在Res Net网络的输入和特征输出位置加入通道注意力与空间注意力。此外,为进一步提升残差网络的建模能力,在最后的池化层后增加两个基于注意力机制的编码器。最后通过三组对比实验证明,注意力模块和编码器模块有效的提升了模型的分类准确率。其中,加入上述两个模块的Res Net 50网络分类准确率达到了85.69%,比原Res Net 50网络提高了2.43个百分点。2.基于Res Net 50网络和注意力模块改进了YOLOv4模型,提出了一种前置网络为CBAM-Res Net 50的YOLOv4细粒度车型检测识别模型。先将空间注意力和通道注意力模块添加至Res Net 50的每个残差块之后建立CBAM-Res Net 50网络,然后再将YOLOv4模型中的主干网络CSPDar KNet53替换为本文搭建的CBAM-Res Net 50网络。最后实验表明,前置网络为CBAM-Res Net 50的YOLOv4模型的训练速度更快、所需的参数量更少且m AP值达到了99.02%,比原YOLOv4模型提高了1.16个百分点。3.对实验所用的斯坦福196车型数据集和Comp Cars车型数据集分别进行了预处理。使用数据增强的方式扩充斯坦福196车型数据集的训练集数量,并将所有车型图片剪裁成224×224大小,提升了网络的泛化能力和鲁棒性。从Comp Cars车型数据集中整理出116类车型,每类的车型图片都大于150张,再将所有图片剪裁成448×448大小,构建了一个基于Comp Cars的多分类车型数据集。
基于深度学习的汽车车型识别应用研究
这是一篇关于车型识别,弱注意力监督,车脸对齐识别,细粒度分类,车型识别系统的论文, 主要内容为随着近几年人民生活水平的提高,汽车数量急剧增加,交通事故频发、车辆管理难度大等问题也日益突出。为了解决这些问题,许多专家学者致力于研究智能交通系统。汽车车型的检测识别是现代智能交通系统的基础研究,其可应用于交通流量统计、高速车型分类收费和交通安全管理等方面,因此研究汽车车型识别对现实生活有着重要意义。在当下智能交通的需求下,汽车车型的检测识别技术存在着一些亟待解决的问题。其一,不同品牌之间的相互模仿和同品牌车辆不同车系之间的相似性越来越高所导致的车型识别难度增加;其二,车型数据集中的图像因为拍摄角度不一、图像噪声大所导致的识别准确率低;其三,大多数车型识别算法需要人工对车辆的一些特征点进行标注,人力成本高。针对上述问题,本文提出了基于弱监督注意力车脸对齐的车型识别方法,并设计了针对当前国内市场的“时效性”汽车数据集,在此基础上研发了一款车型识别系统。本文工作内容主要如下:(1)为解决真实场景下车型间相似、图像拍摄角度不一、图像噪声大所引发的车型识别准确率低的问题,本研究提出了基于弱监督注意力车脸对齐的车型识别算法CNN-cf3。该算法采用三层卷积神经网络对图像中车辆进行检测,用检测框和五个特征点代替人工标注,通过五个车辆特征点来对齐车辆的外观,解决了拍摄角度差异带来的问题,提高识别的准确率。然后利用弱监督注意网络,对车辆检测提供的特征点周围的区域进行特别关注,并生成注意图,提取更具判别性的局部特征,以此来解决车型间相似引起的识别准确率下降的问题。最后通过注意力机制引导的图像增强来抑制背景噪声,提取更多的细节特征。为了验证本文提出算法的有效性,在真实场景下拍摄的车辆图像数据集上进行了验证。实验结果表明,CNN-cf3网络模型相比于其他网络模型识别准确率更高、鲁棒性更强。(2)为提高车型识别算法在当前国内车辆真实使用环境下的适用性,本文建立了具有“时效性”的新汽车车型数据集Ccars-150,用于识别算法训练。首先设计了基于Scrapy框架的网络爬虫,利用爬虫收取了国内常见150种车型图片,然后通过数据增广最终获得163400张图像。为了方便对比实验,使用Label Img对选取的图片进行标注,创建了汽车数据集Ccars-150。分别用VGG-16网络模型、Res Net-50网络模型和自建CNN-cf3网络模型,对经典数据集Compcars、VMMRdb、Stanford Cars和自建数据集Ccars-150进行了实验,实验结果表明三种网络模型在Ccars-150数据集的上的识别具有较高准确率,且数据具有“时效性”,可以更好的适用于车型识别系统设计。(3)汽车车型识别系统的设计与实现。本文使用CNN-cf3算法和Ccars-150数据集进行模型训练,并基于Pycharm平台设计实现了一个集图像处理、车辆检测、型号识别及可视化展示为一体的完整车辆检测识别系统,系统具有账号注册、系统登录、模型初始化、车型识别、数据记录等功能。用户可以通过UI界面对图片、视频中的车辆进行车型识别。
复杂背景下细粒度车型识别技术研究
这是一篇关于残差网络,注意力机制,YOLOv4,编码器,车型识别的论文, 主要内容为车型识别技术是智能交通系统的关键部分。当前,一些车型识别技术的成果已经运用到了现实交通场景,这些研究成果减少了车辆管理成本并提高了交通执法效率。然而,目前大部分的车型识别技术只可以完成大卡车、小轿车、SUV等较少类别的粗粒度识别,这些大类别数据无法提供更有效的信息。此外,恶劣天气、黑夜场景、树木及不同车辆遮挡等复杂背景都会增加车辆特征提取的难度,进而影响车型识别的准确度和适应性。针对上述问题,本文基于深度学习网络模型探索了复杂背景下细粒度级别车型识别技术,主要工作归纳如下:1.基于Res Net网络、注意力机制以及编码器模块构建了一种新的细粒度车型识别模型。Res Net网络用CNN建模具有很好的归纳偏置,但其相对于注意力机制而言,长序列建模能力较弱。为了加强残差网络的特征提取能力,在Res Net网络的输入和特征输出位置加入通道注意力与空间注意力。此外,为进一步提升残差网络的建模能力,在最后的池化层后增加两个基于注意力机制的编码器。最后通过三组对比实验证明,注意力模块和编码器模块有效的提升了模型的分类准确率。其中,加入上述两个模块的Res Net 50网络分类准确率达到了85.69%,比原Res Net 50网络提高了2.43个百分点。2.基于Res Net 50网络和注意力模块改进了YOLOv4模型,提出了一种前置网络为CBAM-Res Net 50的YOLOv4细粒度车型检测识别模型。先将空间注意力和通道注意力模块添加至Res Net 50的每个残差块之后建立CBAM-Res Net 50网络,然后再将YOLOv4模型中的主干网络CSPDar KNet53替换为本文搭建的CBAM-Res Net 50网络。最后实验表明,前置网络为CBAM-Res Net 50的YOLOv4模型的训练速度更快、所需的参数量更少且m AP值达到了99.02%,比原YOLOv4模型提高了1.16个百分点。3.对实验所用的斯坦福196车型数据集和Comp Cars车型数据集分别进行了预处理。使用数据增强的方式扩充斯坦福196车型数据集的训练集数量,并将所有车型图片剪裁成224×224大小,提升了网络的泛化能力和鲁棒性。从Comp Cars车型数据集中整理出116类车型,每类的车型图片都大于150张,再将所有图片剪裁成448×448大小,构建了一个基于Comp Cars的多分类车型数据集。
基于深度学习的汽车车型识别应用研究
这是一篇关于车型识别,弱注意力监督,车脸对齐识别,细粒度分类,车型识别系统的论文, 主要内容为随着近几年人民生活水平的提高,汽车数量急剧增加,交通事故频发、车辆管理难度大等问题也日益突出。为了解决这些问题,许多专家学者致力于研究智能交通系统。汽车车型的检测识别是现代智能交通系统的基础研究,其可应用于交通流量统计、高速车型分类收费和交通安全管理等方面,因此研究汽车车型识别对现实生活有着重要意义。在当下智能交通的需求下,汽车车型的检测识别技术存在着一些亟待解决的问题。其一,不同品牌之间的相互模仿和同品牌车辆不同车系之间的相似性越来越高所导致的车型识别难度增加;其二,车型数据集中的图像因为拍摄角度不一、图像噪声大所导致的识别准确率低;其三,大多数车型识别算法需要人工对车辆的一些特征点进行标注,人力成本高。针对上述问题,本文提出了基于弱监督注意力车脸对齐的车型识别方法,并设计了针对当前国内市场的“时效性”汽车数据集,在此基础上研发了一款车型识别系统。本文工作内容主要如下:(1)为解决真实场景下车型间相似、图像拍摄角度不一、图像噪声大所引发的车型识别准确率低的问题,本研究提出了基于弱监督注意力车脸对齐的车型识别算法CNN-cf3。该算法采用三层卷积神经网络对图像中车辆进行检测,用检测框和五个特征点代替人工标注,通过五个车辆特征点来对齐车辆的外观,解决了拍摄角度差异带来的问题,提高识别的准确率。然后利用弱监督注意网络,对车辆检测提供的特征点周围的区域进行特别关注,并生成注意图,提取更具判别性的局部特征,以此来解决车型间相似引起的识别准确率下降的问题。最后通过注意力机制引导的图像增强来抑制背景噪声,提取更多的细节特征。为了验证本文提出算法的有效性,在真实场景下拍摄的车辆图像数据集上进行了验证。实验结果表明,CNN-cf3网络模型相比于其他网络模型识别准确率更高、鲁棒性更强。(2)为提高车型识别算法在当前国内车辆真实使用环境下的适用性,本文建立了具有“时效性”的新汽车车型数据集Ccars-150,用于识别算法训练。首先设计了基于Scrapy框架的网络爬虫,利用爬虫收取了国内常见150种车型图片,然后通过数据增广最终获得163400张图像。为了方便对比实验,使用Label Img对选取的图片进行标注,创建了汽车数据集Ccars-150。分别用VGG-16网络模型、Res Net-50网络模型和自建CNN-cf3网络模型,对经典数据集Compcars、VMMRdb、Stanford Cars和自建数据集Ccars-150进行了实验,实验结果表明三种网络模型在Ccars-150数据集的上的识别具有较高准确率,且数据具有“时效性”,可以更好的适用于车型识别系统设计。(3)汽车车型识别系统的设计与实现。本文使用CNN-cf3算法和Ccars-150数据集进行模型训练,并基于Pycharm平台设计实现了一个集图像处理、车辆检测、型号识别及可视化展示为一体的完整车辆检测识别系统,系统具有账号注册、系统登录、模型初始化、车型识别、数据记录等功能。用户可以通过UI界面对图片、视频中的车辆进行车型识别。
车型识别及高速公路收费稽查系统的研究与应用
这是一篇关于深度学习,高速公路,稽查系统,图像处理,车型识别的论文, 主要内容为高速公路运营管理部门面临着路网结构迅速扩张和收费规模不断增大的挑战,这导致了大量车辆逃避收费的现象。传统的预防和打击逃避收费手段已经无法适应新形势下的运营管理需求,成为管理部门的难题。在收费过程中,一些通行者作为行政相对人或民事交易主体,故意逃避收费,不仅使收费者遭受了财产损失,而且扰乱了正常的公共秩序、行政秩序和社会主义市场经济秩序。车型识别目前是国内外学者研究的热点课题,在交通行业有着举足轻重的用途,现有的车型识别在实际应用中还存在问题,对于道路中正在行驶车辆进行图像处理时,外部因素的影响会降低识别准确率、漏检率和识别效率,比如背景、光照条件或者天气等因素,造成车型识别错误率高、漏检率高等问题。为了提高高速企业收费稽查工作的稽查效率和稽查数据准确性,本文对基于深度学习的收费稽查问题进行了研究。如何在复杂背景下,通过卡口实时拍摄上传的高清图片进行车型识别,并把车型识别结果应用在收费稽查系统中,从而对逃避交纳通行费车辆及时追缴通行费,是本文重点讨论的内容。本文研究的内容如下:(1)构建了一种车辆稽查的数据集,通过从高速公路上采集车辆的图像、车牌号、车辆信息等数据,然后进行数据标注,在图像上标注车型和车辆信息位置,并将标注车型与图像数据对应,形成可用于高速收费稽查场景的车型识别的数据集。(2)研究了基于深度学习确定车型的具体方法,针对传统车型识别算法存在准确率欠佳的问题,对YOLOv3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时在YOLOv3模型中引入平滑的L1损失函数,提出了一种改进的YOLOv3的车型识别算法。实验结果表明本文提出的改进的YOLOv3算法能够有效降低高速车型识别的漏检率,大大提高检测的平均精度和检测速度。(3)基于本文的研究改进的YOLOv3车型识别算法,采用SpringBoot框架+Vue框架+MySQL数据库,设计实现了高速收费稽查系统,系统主要包括系统管理、数据采集、数据处理和数据统计等模块,应用到高速收费的稽查中,已经在部分高速进行系统试运行,运行结果表明,系统能及时发现车型不符的偷逃费行为,可以大大提高高速收费稽查的准确率和效率,降低稽查人员的人力成本。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/50085.html
